Wir schlagen eine neue Formulierung für die mehrsprachige Entitätenverknüpfung vor, bei der sprachspezifische Erwähnungen auf eine sprachunabhängige Wissensbasis verweisen. In diesem neuen Ansatz trainieren wir einen Dual-Encoder, wobei wir auf vorherige Arbeiten aufbauen, jedoch verbesserte Merkmalsdarstellungen, eine optimierte Negative-Mining-Strategie sowie eine ergänzende Aufgabe zur Entitätenpaarung einsetzen, um ein einziges Entitätenretrieval-Modell zu entwickeln, das mehr als 100 Sprachen und 20 Millionen Entitäten abdeckt. Das Modell erreicht Leistungen, die die bisherigen State-of-the-Art-Ergebnisse bei weitaus eingeschränkteren, mehrsprachigen Verknüpfungsaufgaben deutlich übertreffen. Seltene Entitäten und Sprachen mit geringen Ressourcen stellen bei dieser Skalierung besondere Herausforderungen dar; daher plädieren wir für eine stärkere Betonung von Zero- und Few-Shot-Evaluation. Dazu präsentieren wir Mewsli-9, eine neue, große multilinguale Datensammlung (http://goo.gle/mewsli-dataset), die an unseren Ansatz angepasst ist, und zeigen, wie eine frequenzbasierte Analyse entscheidende Erkenntnisse für die Verbesserung unseres Modells und des Trainingsprozesses lieferte.